Classificação dos batimentos cardíacos a partir de sinais de eletrocardiograma usando uma rede neural convolucional siamesa
Eletrocardiograma, Aprendizagem de Máquina, Few-Shot Learning, Redes Neurais Siamesas, Classificação de Batimentos Cardíacos
O Eletrocardiograma ECG é um exame de baixo custo normalmente utilizado para diagnosticar anomalias no ciclo cardíaco tais como arritmias e problemas no músculo do coração. Com o avanço de técnicas de aprendizagem de máquina nos últimos anos, a classificação automática de ECGs despertou o interesse da comunidade científica. No entanto, o processo de anotar grandes e diversos conjuntos de dados para apoiar a formação de técnicas de aprendizagem de máquina ainda é muito demorado e susceptível de erros. Assim, técnicas que não requerem um grande e bem anotado conjunto de dados tornam-se ainda mais proeminentes. Isto significa que os dados subrepresentados nos conjuntos de dados ECG, como as raras perturbações cardiológicas, podem ser devidamente identificados e classificados. Neste trabalho, é investigada a utilização de Redes Neurais Convolutivas Siamêsas, populares em problemas de classificação por imagem, para classificar batimentos cardíacos de ECGs de 12-Lead. Os primeiros resultados indicam uma precisão de até 95% num conjunto de dados públicos, utilizando modelos compostos por diferentes combinações de funções de semelhança e perda. Os resultados da classificação classe por classe são também comparados com os de métodos semelhantes encontrados na literatura, obtendo-se métricas no mesmo nível e até mesmo excedendo-as na classificação de algumas classes.